K\u00fcnstliche Intelligenz hilft beim Rechnen<\/p>\n
Um das besser zu verstehen, nutzte das Team maschinelles Lernen. Also eine Form k\u00fcnstlicher Intelligenz, die Muster in gro\u00dfen Datenmengen erkennt. Die Forschenden werteten Messungen von zehn Standorten auf vier Kontinenten aus, darunter Beijing, Kairo, Delhi, Paris sowie das Forschungsschiff Polarstern im Atlantik. Auch zwei Messstationen in Deutschland, Goldlauter und Melpitz, flossen in die Analyse ein.<\/p>\n
Das Ergebnis verbessert die Grundlage f\u00fcr Klimamodelle deutlich. „Unsere Ergebnisse unterstreichen die Bedeutung von regionalen Aerosolparametrisierungen als entscheidenden Schritt zur Verringerung von Unsicherheiten bei der Absch\u00e4tzung des direkten Strahlungsantriebs in Klimamodellen der n\u00e4chsten Generation“, betont Mira P\u00f6hlker vom TROPOS und der Universit\u00e4t Leipzig. Sie erkl\u00e4rt au\u00dferdem, dass die neuen Berechnungen beeinflussen k\u00f6nnten, wie viel Sonnenenergie die Erde regional speichert oder zur\u00fcck ins All reflektiert. Selbst kleine Ver\u00e4nderungen sind dabei weltweit klimatisch relevant.<\/p>\n
Das Forschungsteam hofft nun, dass der neue Algorithmus k\u00fcnftig in globale Klimamodelle integriert wird. Pr\u00e4zisere Vorhersagen dar\u00fcber, wie Aerosole Klima und Wolkenbildung beeinflussen, k\u00f6nnten dadurch m\u00f6glich werden.<\/p>\n